CornerNet一个显著的问题就是对box的坐标、尺寸和类别的预测只依赖对象的边缘特征，并没有使用对象内部的特征，这样的话会预测很多False Positive box，这便是CenterNet主要解决的问题，其主要引入以下两个方法来解决：

Cascade corner pooling

作者将CornerNet的corner pooling修改为cascade corner pooling，从而使得生成的corner heatmap和embedding都“刻意”使用了对象内的特征，此处使用“刻意”这个词的原因是网络其实也使用了对象内部的特征，因为corner pooling后的特征也结合了未pooling的特征，具体细节可以参考CornerNet原文或者我的CornerNet文章。 作者在CornerNet工作的基础上，使得pooling(top-left pooling或者bottom-right pooling)时，不止获取指定位置水平或者垂直方向（单方向）的最大特征值，也会在最大值点朝着对象内部的方向获取对象内部的最大特征值，如论文中原图4(c)所示。

figure_4

Center pooling和center keypoints

作者在CornerNet网络结构基础上，新增一个与corner prediction module并列的分支，称为center pooling，该分支预测了每个对象的中心关键点（keypoint）heatmap（用来指示该位置是不是某个对象的中心关键点）和对应的offset特征，计算方式类似于计算corner heatmap，只不过使用的是center pooling，其在corner pooling的基础上可以计算指定位置水平方向（双向）的最大值与垂直方向（双向）的最大值之和，具体例子如原文截图4(a)所示。网络的整体框架如下面论文截图2所示。

figure_2

预测时:

1. 先传统的CornerNet得到初步预测的box，如前k个；

2. 然后在center pooling分支预测的center heatmap中根据score选择top-k个center位置，再使用对应的offset将center在特征图上的位置映射回原图；

3. 使用初步预测的box计算尺度相关的中心区域（center region），即该box所框对象的中心特征大致所在的矩形区域，由于对于小尺寸box的中心区域应该相对大一些，对于大尺寸box的中心区域应该相对小一些，这样才不会使得模型漏掉有效的小box，而放过太多无效的大box。具体的计算公式和原理如下面两个论文截图（截图5、3）所示，公式中的n，作者使用了两个针对不同box尺寸的值，3对应尺寸小于150（w*h）的box，5对应尺寸大于150的box，分别表示中心区域的左上角和右下角坐标，和分别表示相应box的左上角和右下角坐标。

4. 将步骤2计算的center位置与步骤3计算的center region进行一一比较（对象类别必须相同），如果某个center的位置落在某个的center region内，那么说明该box所指的位置真的存在对象，便接受该box，否则去掉该box，最后再使用soft-max过滤掉冗余的box便得到预测的box，输出box的置信度score上top-left、bottom-right和center三个点各自heatmap score的平均。

figure_3

figure_5

center heatmap和offset的损失计算论文中没有提及，应该与corner heatmap和offset是类似的。

以上两个模块的网络结构大致如下面论文截图所示。

figure1

最后，个人觉得虽然CenterNet解决了CornerNet的一个缺陷，而且整体性能比CornerNet要好，但是在面对部分遮挡问题时，效果可能并不如CornerNet，因为CenterNet使用依赖对象中心特征的center keypoints过滤CornerNet预测的box，这会导致过度依赖中心特征，而在存在严重部分遮挡的情况下，中心特征是不可信的。当然，这需要进一步的实验验证。